arXiv:2608.14254v2 cs.CY

측정된 결합 시간 척도를 활용한 기상 기반 매립지 비산 배출의 인과적 초단기 예측

Meteorology-driven Causal Nowcasting of Fugitive Landfill Emissions from Measured Coupling Timescales

Timothy C. Pearce, David J. T. Smith, Alec Dobney, Alessia Freddo

제출 2026-08-14

한국어 초록

오염원 풍하측에서 비산 가스 노출을 제어하는 기상학적 과정과 그 작용 시간 척도는 주로 확산 이론과 부분적인 현장 증거를 통해 추정되어 왔습니다. 본 연구에서는 장기간 모니터링된 유럽의 한 매립지에서 황화수소(H$_2$S) 고농도 노출을 유발하는 기상학적 요인과 각 요인이 작용하는 시간 척도를 모니터링 데이터로부터 직접 식별할 수 있음을 보여줍니다. 풍향, 풍속, 대기압이 인과관계의 핵심을 형성하며, 압력에 의해 전달되는 유도 정보(directed information)의 비중은 집계 규모에 따라 증가합니다. 복원된 시간 척도는 기초 대기 과정에서 예상되는 시간 척도와 일치합니다. 우리는 이러한 요인 시간 척도를 사용하여 빠르고 느린 메모리 구성 요소를 갖춘 머신러닝 초단기 예측기인 CAIRN(Causal-Anchored Inference for Receptor Nowcasting)을 초기화합니다. WHO 권고 기준 초과 이력으로 학습된 CAIRN은 수작업으로 설계된 특성(feature) 없이 지표 기상 측정값과 달력 정보만으로 초과 발생을 초단기 예측합니다. 4개의 초단기 예측기를 결합하면 직접 센서 네트워크에서 생성된 경보와 상당 부분 일치하고 커뮤니티 악취 신고의 독립적 기록을 추적하는 현장 수준의 단계별 경보가 생성됩니다. 따라서 기상 변수는 WHO 권고 기준에 대한 노출의 추론(inference) 시점 프록시 역할을 할 수 있으며, 에피소드가 전개됨에 따라 대기 역학과 지역사회 영향을 연결합니다.

원문 초록

Which meteorological processes control exposure to fugitive gases downwind of a source, and on what timescales, have largely been inferred from dispersion theory and partial field evidence. Here we show that the meteorological drivers of elevated hydrogen sulphide (H$_2$S) exposure at a long-monitored European landfill, and the timescales over which each acts, can be identified directly from monitoring data. Wind direction, wind speed and atmospheric pressure form the causal core, with the share of directed information carried by pressure increasing with aggregation scale. The recovered timescales are consistent with those expected from the underlying atmospheric processes. We use these driver timescales to initialise CAIRN (Causal-Anchored Inference for Receptor Nowcasting), a machine-learning nowcaster with fast and slow memory components. Trained on past exceedances of WHO guideline levels, CAIRN nowcasts them from surface weather measurements and the calendar alone, without hand-engineered features. Combining four such nowcasters produces a site-level, tiered alert that agrees substantially with that generated by a direct sensor network and tracks an independent record of community odour reports. Meteorological variables can therefore serve as an inference-time proxy for exposure relative to WHO guideline levels, and they link atmospheric dynamics to community impact as an episode unfolds.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2608.14254v2

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.26822v2cs.LG공통 태그 Causal Inference, Time Series Forecasting

HARN: 이벤트 기반 다중 시간대 예측을 위한 계층적 연상 공명 네트워크

HARN: Hierarchical Associative Resonance Network for Event-Driven Multi-Timeframe Forecasting

실시간 금융 예측은 오래되었거나 사용할 수 없는 정보를 사용하지 않으면서 시간 프레임 간 비동기적인 봉 완성을 동기화해야 한다. 우리는 HARN(Hierarchical Associative Resonance Network)을 소개한다. 이는 각 이벤트를 설정된 가장 세밀한 시간 프레임에 고정하고, 시간 수준 전반에 걸쳐 지속적 상태와 행렬 값 연상 메모리를 유지하는 이벤트 기반 아키텍처이다. 타임스탬프 마스킹 전이는 완성된 봉의 타임스탬프가 현재 앵커와 일치할 때만 해당 수준을 갱신하여, 비활성 표현을 보존한다. HARN은 인과적 다중 스케일 인코딩, 잔차 기반 게이트 연상 쓰기, 전수 교차 수준 공명, 순서화된 상향식 증거 집계를 통합하여 각 시간 수준에서 예측을 생성한다. 예측은 베이시스 포인트 변화로 표현되며 평가를 위해 가격 스케일로 복원된다. 우리는 주식, 외환, 금에 걸친 네 가지 자산(AAPL, EURUSD, USDCHF, XAUUSD)에서 시간순 70/15/15 분할, 32봉 룩백, 1단계 예측 구간, 세 개의 랜덤 시드를 사용하여 HARN을 평가한다. HARN은 네 자산 모두에서 평가된 단일 시간 프레임 PatchTST 및 TimeXer 기준선보다 낮은 앵커 시간 프레임 테스트 평균 절대 오차(MAE)를 얻는다. HARN의 MAE는 각각 0.508, 0.000306, 0.000263, 2.552이며, PatchTST는 2.074, 0.000759, 0.000638, 9.563, TimeXer는 2.882, 0.010838, 0.014144, 15.297을 기록한다. 이러한 기술적 비교는 입력, 목표 정식화 또는 학습 절차의 차이로부터 아키텍처의 효과를 분리하지 못한다. AAPL과 EURUSD에 대한 단일 실행 구성요소 절제 실험은 작고 비단조적인 차이를 보인다. 이 결과는 비동기 다중 시간 프레임 예측에 대한 HARN의 실현 가능성을 보여주는 한편, 상대적 이점과 구성요소 기여를 규명하기 위한 통제된 비교와 더 폭넓은 절제 실험의 필요성을 시사한다.

arXiv:2609.30995v2cs.LG공통 태그 Causal Inference, Time Series Forecasting

기후 모델에서 강제력이 기온에 미치는 영향에 대한 계층적 인과 표상 학습

Learning Hierarchical Causal Representations of the Effects of Forcings on Temperature in Climate Models

머신러닝(ML) 에뮬레이터는 지구 시스템 모델(Earth System Models) 예측을 기반으로 학습(training)된 후 기후 변화 시나리오를 시뮬레이션할 수 있는 빠르고 비용 효율적인 방법을 제공합니다. 그러나 이러한 데이터 주도적 접근 방식의 블랙박스 특성은 출력값의 사용성과 신뢰성을 제한하며, 특히 인과적 귀인(causal attribution) 도구로서의 활용을 제한합니다. 본 연구에서는 최첨단 전지구 기후 모델의 해수면 온도 장에 적용되는 계층적 인과 표상 학습(hierarchical causal representation learning) 프레임워크를 개발합니다. 이전 연구 대비 주요 진보로서, 본 프레임워크는 내부 기후 변동성에서 발생하는 대기 역학적 상호작용과 대기 중 온실가스 및 에어로졸 농도 변화로 인한 강제 반응(forced responses)을 모두 명시적으로 모델링합니다. 미래 기후 변화 시나리오로 학습했을 때, 본 방법은 장기 전지구 평균 및 지역 기온 변화를 정확하게 예측하며, 미확인 시나리오에 대해 평가(evaluation)했을 때 온실가스 및 에어로졸 농도 섭동에 대해 물리적으로 현실적인 반응을 보여줍니다. 본 연구 결과는 기후 모델 에뮬레이션을 발전시키는 데 있어 인과 표상 학습 프레임워크의 잠재력을 강조합니다.

arXiv:2610.02255v1cs.LG공통 태그 Causal Inference, Time Series Forecasting

MACTS-EM: 창발적 메모리를 활용한 다중 에이전트 협업 시계열 예측

MACTS-EM: Multi-Agent Collaborative Time Series Forecasting with Emergent Memory

시계열 예측(time series forecasting)은 여러 분야에서 여전히 중요한 과제로 남아 있다. 상당한 발전이 있었음에도, 기존 접근법들은 체제 전환(regime shift), 도메인 간 지식 전이, 멀티모달 데이터 통합과 같은 복잡한 현상을 다루는 데 어려움을 겪는다. 본 논문은 전문화된 에이전트들이 협업하여 우수한 예측 성능을 달성하는 새로운 프레임워크인 창발적 메모리를 활용한 다중 에이전트 협업 시계열 예측(Multi-Agent Collaborative Time Series Forecasting with Emergent Memory, MACTS-EM)을 소개한다. MACTS-EM 아키텍처는 다음을 통합한다: (1) 패턴 인식, 이상 탐지, 인과 추론, 불확실성 정량화를 위한 도메인 특화 예측 에이전트; (2) 동적 에이전트 할당을 위한 메타인지 층(meta-cognitive layer); (3) 도메인 간 패턴 전이를 가능하게 하는 창발적 메모리 메커니즘; (4) 멀티모달 맥락 통합; (5) 적대적 강건성(adversarial robustness) 구성 요소. 금융 시장, 기후 패턴, 에너지 소비, 전염병 확산에 대한 평가 결과, MACTS-EM은 대부분의 시나리오에서 기존 접근법을 능가하며, 예측 정확도에서 8-12%의 향상, 제로샷 전이 능력에서 22-27%의 개선, 체제 전환 시 복원력에서 16-21%의 강화, 분포 변화 이후 회복 속도에서 15-18%의 향상을 보였다. 본 연구 결과는 시계열 예측에 대한 협업적이고 에이전트 기반(agentic)인 접근법이 전통적인 아키텍처를 넘어서는 유망한 방향임을 시사하며, 다중 해상도의 시간적 이해와 맥락적 적응을 요구하는 복잡한 실세계 시나리오에서 특히 그렇다.

arXiv:2610.01842v1cs.AI공통 태그 Causal Inference, Time Series Forecasting

시계열 월드 모델에서 정확도와 메커니즘 일관성의 괴리에 대하여

On the Divergence of Accuracy and Mechanism Consistency in Time Series World Models

시계열 월드 모델(TSWM)은 제어 대상 시스템의 관측된 과거 이력과 계획된 행동 및 외생적 입력을 바탕으로 시스템의 상태를 예측한다. 기존 접근법들은 행동을 공변량으로 취급하는 예측 모델을 구축하며, 실행된 계획 하에서의 예측 오차를 기준으로 학습되고 평가된다. 그러나 월드 모델은 실행되지 않은 계획들을 비교해야 함에도 불구하고, 변경된 계획에 대한 모델의 반응은 아직 검증되지 않은 상태로 남아 있다. 본 연구에서는 어떠한 설계 선택이 중요하며, 정확한 예측 모델이 실제 시스템처럼 변경된 계획에 반응하는지 묻는다. 우리는 정형화(formalization)와 벤치마크를 통해 두 질문을 모두 다룬다. 정형화 과정에서는 상태, 행동, 외생적 입력을 분리하고, 연속형·모드형·이벤트형 행동을 구분하며, 혈관수축제가 혈압을 상승시키는 것과 같이 방향성이 알려진 선언된 행동-상태 관계를 기반으로 구축된 지표인 메커니즘 일관성(mechanism consistency)을 도입한다. 이는 행동을 변화시켰을 때 예측 결과가 선언된 방향으로 움직이는지를 점검한다. 벤치마크는 공학 인프라 및 임상 치료 분야의 실제 행동을 포함하는 8개의 공개 데이터셋을 통합하고, 7개의 백본과 5개의 시드에 걸쳐 예측 공간, 계획 융합(plan fusion), 계획 인코딩을 다양하게 변화시킨다. 첫째, 동결된 잠재 예측 공간은 관측 공간 대비 평균 절대 오차(MAE)를 평균 9.9% 낮추고, 게이트 출력 융합은 입력 연결 대비 MAE를 평균 12.7% 낮추며, 두 방식 모두 8개 데이터셋 전체에서 성능을 개선한다. 반면 시간적 계획 인코딩에 따른 평균 MAE 변화는 최대 2.2%에 불과하다. 둘째, 예측 오차와 메커니즘 일관성은 서로 괴리를 보인다. 오차가 가장 낮은 구성조차 선언된 메커니즘이 있는 5개 데이터셋 중 4개에서 일관성이 무작위 수준(chance) 이하에 머물렀으며, 어떠한 설계 선택으로도 이를 피할 수 없었다. 마지막으로, 변화된 행동에 대한 반응 중 잘못된 부호(wrong-signed)를 갖는 부분에 페널티를 부여하는 손실 함수인 방향성 지도(directional supervision)는 MAE의 변화 없이 페널티가 적용된 메커니즘의 일관성을 크게 향상시킨다. 종합하면, 본 연구는 정확도를 위한 동결된 잠재 공간 및 출력단 융합, 그리고 메커니즘 일관성을 위한 학습 목표라는 TSWM을 위한 레시피를 제공한다.

arXiv:2607.20778v1cs.LG공통 태그 Causal Inference, Time Series Forecasting

대기 화학에 파인튜닝된 AI 파운데이션 모델의 기계론적 해석 가능성을 향하여

Toward Mechanistic Interpretability of an AI Foundation Model Fine-Tuned for Atmospheric Chemistry

기상 예보 파운데이션 모델(FM)은 공기질 예측을 위해 점점 더 많이 파인튜닝되고 있으며, 기존 화학 수송 모델보다 낮은 계산 비용으로 빠른 전 지구적 오염 예보를 제공한다. 이러한 FM은 일반적으로 재분석(reanalysis) 데이터로 학습되며 자기회귀(autoregressive) 롤아웃을 통해 예보를 생성한다. 이들은 지배적인 물리적 또는 화학적 과정을 명시적으로 표현하지 않는다. 따라서 높은 예보 기술(forecast skill)만으로는 모델이 물리적 메커니즘을 학습했는지, 아니면 학습 데이터의 통계적 규칙성을 이용하는지 알 수 없다. 여기서 우리는 Microsoft의 Aurora 모델을 검토하여 대기 화학에 파인튜닝된 FM이 무엇을 학습했는지에 대한 최초의 연구를 제시한다. 우리는 예보에 통제된 화학적 섭동(perturbation)을 가하고 이를 알려진 광화학(photochemical) 관계와 대조하여 검증한다. 그다음 이러한 예보를 생성하는 내부 표현(internal representations)을 조사한다. 우리는 Aurora가 반응성 질소(reactive nitrogen)에 대한 1차 오존(ozone) 반응을 포착하지만, 과정 기반(process-based) 모델이 인코딩하는 화학적 제약을 강제하지는 않음을 발견한다. 이 모델은 관련 종(species)의 화학적으로 불일치하는 조합을 생성하고, 산불 연기(wildfire plumes)와 같은 국지적 배출 특성을 배경(background) 수준으로 완화(relax)시킨다. 내부적으로 그 표현은 사전학습(pre-training) 동안 상속된 기상학(meteorology)을 중심으로 대체로 조직되어 있으며, 화학에 특화된 구조는 거의 없다. 희소 오토인코더(sparse autoencoders)를 사용하여, 화학 예보를 인과적으로 제어하지만 개별 대기 과정에 깔끔하게 대응(map)되지 않는 내부 구성 요소를 식별한다. 본 연구는 AI 예보 시스템이 재분석 데이터로부터 대기 화학을 학습하는지 검증하는 프레임워크를 제공한다. 이러한 모델이 환경 정책 결정에 점점 더 많이 활용됨에 따라, 우리는 성분(composition) 예보가 벤치마크 기술만이 아니라 내부 메커니즘으로도 평가되어야 한다고 주장한다.

arXiv:2607.21444v1math.OC공통 태그 Causal Inference, Time Series Forecasting

지속 가능한 도시를 위한 기후 회복력 전기차 충전 인프라: 예방 정비와 저탄소 이동성을 위한 해석 가능한 인과-앙상블 프레임워크

Climate-resilient electric vehicle charging infrastructure for sustainable cities: An interpretable causal-ensemble framework for preventive maintenance and low-carbon mobility

신뢰할 수 있는 전기차(EV) 충전 인프라는 지속 가능한 저탄소 도시의 핵심 요소이지만, 극한 고온, 집중 강수, 습도와 같은 도시 기후 스트레스가 장비 고장 위험을 점점 더 높이고 도시 에너지 및 이동 서비스의 회복력을 약화시키고 있다. 수동적 수리에서 예방 정비로 운영을 전환하려면 정확하고 전향적인 고장 위험 예측이 필수적이며, 이는 물리적·행동적·맥락적·과거 신호의 이질적 시간 척도와 다주(多週) 수준의 예측으로 인해 복잡해진다. 우리는 기후 회복력 충전 자산 관리를 위한 해석 가능한 의사결정 지원 시스템을 구성하는 특징 기반 동적 스태킹 앙상블(FGDSE)을 개발한다. 이는 이질적 신호를 네 가지 특징 계열로 분할하고, 각각을 데이터와 귀납적 바이어스가 맞는 도메인 전문가에 배정하며, 단기 펄스와 장기 열화를 위한 두 개의 심층 시간 전문가를 추가한다. 이후 예측 기간별 게이팅 메커니즘이 1~30일에 걸친 일별 고장 위험을 예측하기 위해 적응적 가중치를 학습한다. SHAP 기여도 분석과 X-learner는 확률적 출력을 충전소(post) 수준 처치 효과를 갖는 인과적 의사결정 지원으로 확장한다. 13개 충전소의 25개월 데이터에서 FGDSE는 10일을 넘는 예측 기간에서 12개 베이스라인을 능가하며, 30일에서 약 85%의 매크로 재현율을 유지하고 AUC 감소는 3.2포인트에 불과하며, 지배 요인이 고장 이력에서 기후 스트레스로 이동함을 보여준다. 극한 고온을 시간이 지남에 따라 인과 효과가 증폭되는 유일한 노출 요인으로 식별하고, 약 30%의 충전소를 고온 민감으로 표시하며, 도시 이동 회복력을 강화하고 저탄소 이동을 지속하는 기후 적응형 정비를 위한 정량적 임계값을 도출한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.